Згідно з нещодавно опублікованим Звітом про промисловий штучний інтелект та ринок штучного інтелекту за 2021-2026 роки, рівень впровадження штучного інтелекту в промислових умовах зріс з 19 до 31 відсотка лише за трохи більше ніж два роки. Окрім 31 відсотка респондентів, які повністю або частково впровадили штучний інтелект у своїх операціях, ще 39 відсотків наразі тестують або випробовують цю технологію.
Штучний інтелект стає ключовою технологією для виробників та енергетичних компаній у всьому світі, а аналіз Інтернету речей прогнозує, що ринок промислових рішень на основі штучного інтелекту продемонструє сильний постпандемічний сукупний річний темп зростання (CAGR) на рівні 35%, досягши 102,17 мільярда доларів до 2026 року.
Цифрова епоха породила Інтернет речей. Можна побачити, що поява штучного інтелекту прискорила темпи розвитку Інтернету речей.
Давайте розглянемо деякі фактори, що сприяють розвитку промислового штучного інтелекту та штучного інтелекту в Інтернеті речей.
Фактор 1: Все більше програмних інструментів для промислового штучного інтелекту в Інтернеті речей
У 2019 році, коли аналітика Інтернету речей почала охоплювати промисловий ШІ, існувало мало спеціалізованих програмних продуктів ШІ від постачальників операційних технологій (OT). Відтоді багато постачальників OT вийшли на ринок ШІ, розробляючи та пропонуючи програмні рішення ШІ у вигляді платформ ШІ для виробничих цехів.
Згідно з даними, майже 400 постачальників пропонують програмне забезпечення для штучного інтелекту в Інтернеті речей (AIoT). Кількість постачальників програмного забезпечення, які приєдналися до ринку промислового штучного інтелекту, різко зросла за останні два роки. Під час дослідження IoT Analytics визначила 634 постачальників технологій штучного інтелекту для виробників/промислових клієнтів. З цих компаній 389 (61,4%) пропонують програмне забезпечення для штучного інтелекту.
Нова програмна платформа штучного інтелекту зосереджена на промисловому середовищі. Окрім Uptake, Braincube або C3 AI, все більше постачальників операційних технологій (OT) пропонують спеціалізовані програмні платформи штучного інтелекту. Прикладами є аналітичний пакет Genix Industrial та штучного інтелекту від ABB, пакет FactoryTalk Innovation від Rockwell Automation, власна консалтингова платформа з виробництва Schneider Electric та, останнім часом, спеціальні доповнення. Деякі з цих платформ орієнтовані на широкий спектр випадків використання. Наприклад, платформа Genix від ABB надає розширену аналітику, включаючи попередньо створені програми та послуги для управління операційною ефективністю, цілісністю активів, стійкістю та ефективністю ланцюга поставок.
Великі компанії розміщують свої програмні інструменти штучного інтелекту у виробничих цехах.
Доступність програмних інструментів штучного інтелекту також зумовлена новими програмними інструментами, розробленими AWS, великими компаніями, такими як Microsoft та Google. Наприклад, у грудні 2020 року AWS випустила Amazon SageMaker JumpStart, функцію Amazon SageMaker, яка надає набір попередньо створених та настроюваних рішень для найпоширеніших промислових випадків використання, таких як PdM, комп'ютерний зір та автономне водіння. Розгортання здійснюється лише кількома клацаннями миші.
Програмні рішення, орієнтовані на конкретні випадки використання, сприяють покращенню зручності використання.
Програмні пакети, орієнтовані на конкретні випадки використання, такі як ті, що орієнтовані на прогнозне обслуговування, стають все більш поширеними. IoT Analytics зазначила, що кількість постачальників, які використовують програмні рішення для управління даними про продукцію (PdM) на основі штучного інтелекту, зросла до 73 на початку 2021 року завдяки збільшенню різноманітності джерел даних та використанню моделей попереднього навчання, а також широкому впровадженню технологій покращення даних.
Фактор 2: Розробка та підтримка рішень на основі штучного інтелекту спрощуються
Автоматизоване машинне навчання (AutoML) стає стандартним продуктом.
Через складність завдань, пов'язаних з машинним навчанням (ML), швидке зростання застосувань машинного навчання створило потребу в готових методах машинного навчання, які можна використовувати без досвіду. Результуюча галузь досліджень, прогресивна автоматизація для машинного навчання, називається AutoML. Різноманітні компанії використовують цю технологію як частину своїх пропозицій на основі штучного інтелекту, щоб допомогти клієнтам розробляти моделі ML та швидше впроваджувати промислові випадки використання. Наприклад, у листопаді 2020 року SKF анонсувала продукт на основі automL, який поєднує дані про процес машинного навчання з даними про вібрацію та температуру, щоб зменшити витрати та забезпечити нові бізнес-моделі для клієнтів.
Операції машинного навчання (ML Ops) спрощують керування моделлю та її обслуговування.
Нова дисципліна операцій машинного навчання має на меті спростити підтримку моделей штучного інтелекту у виробничих середовищах. Продуктивність моделі штучного інтелекту зазвичай знижується з часом, оскільки на неї впливають кілька факторів у межах заводу (наприклад, зміни в розподілі даних та стандартах якості). Як результат, обслуговування моделей та операції машинного навчання стали необхідними для задоволення високих вимог до якості промислового середовища (наприклад, моделі з продуктивністю нижче 99% можуть не виявляти поведінку, яка загрожує безпеці працівників).
В останні роки багато стартапів приєдналися до простору ML Ops, включаючи DataRobot, Grid.AI, Pinecone/Zilliz, Seldon та Weights & Biases. Вже відомі компанії додали операції машинного навчання до своїх існуючих пропозицій програмного забезпечення для штучного інтелекту, зокрема Microsoft, яка запровадила виявлення дрейфу даних в Azure ML Studio. Ця нова функція дозволяє користувачам виявляти зміни в розподілі вхідних даних, які погіршують продуктивність моделі.
Фактор 3: Штучний інтелект, застосований до існуючих програм та варіантів використання
Традиційні постачальники програмного забезпечення додають можливості штучного інтелекту.
На додаток до існуючих великих горизонтальних програмних інструментів штучного інтелекту, таких як MS Azure ML, AWS SageMaker та Google Cloud Vertex AI, традиційні програмні пакети, такі як комп'ютеризовані системи управління технічним обслуговуванням (CAMMS), системи управління виробництвом (MES) або планування ресурсів підприємства (ERP), тепер можуть бути значно покращені шляхом впровадження можливостей штучного інтелекту. Наприклад, постачальник ERP-систем Epicor Software додає можливості штучного інтелекту до своїх існуючих продуктів за допомогою свого віртуального помічника Epicor (EVA). Інтелектуальні агенти EVA використовуються для автоматизації процесів ERP, таких як перепланування виробничих операцій або виконання простих запитів (наприклад, отримання детальної інформації про ціни на продукцію або кількість доступних деталей).
Промислові варіанти використання вдосконалюються за допомогою штучного інтелекту в Інтернеті речей.
Кілька промислових варіантів використання вдосконалюються шляхом додавання можливостей штучного інтелекту до існуючої апаратно-програмної інфраструктури. Яскравим прикладом є машинний зір у системах контролю якості. Традиційні системи машинного зору обробляють зображення за допомогою інтегрованих або дискретних комп'ютерів, оснащених спеціалізованим програмним забезпеченням, яке оцінює заздалегідь визначені параметри та порогові значення (наприклад, високу контрастність), щоб визначити, чи мають об'єкти дефекти. У багатьох випадках (наприклад, електронні компоненти з різною формою проводки) кількість хибнопозитивних результатів дуже висока.
Однак ці системи відроджуються завдяки штучному інтелекту. Наприклад, постачальник промислового машинного зору Cognex випустив новий інструмент глибокого навчання (Vision Pro Deep Learning 2.0) у липні 2021 року. Нові інструменти інтегруються з традиційними системами зору, дозволяючи кінцевим користувачам поєднувати глибоке навчання з традиційними інструментами зору в одному застосунку для задоволення вимогливих медичних та електронних умов, які потребують точного вимірювання подряпин, забруднень та інших дефектів.
Фактор 4: Удосконалення промислового обладнання штучного інтелекту в Інтернеті речей
Чіпи штучного інтелекту швидко вдосконалюються.
Вбудоване апаратне забезпечення для чіпів штучного інтелекту швидко розвивається, з'являється різноманітна гама опцій для підтримки розробки та розгортання моделей штучного інтелекту. Прикладами є найновіші графічні процесори (GPU) NVIDIA, A30 та A10, які були представлені в березні 2021 року та підходять для таких випадків використання ШІ, як системи рекомендацій та системи комп'ютерного зору. Іншим прикладом є тензорні процесори (TPus) четвертого покоління від Google, які є потужними спеціалізованими інтегральними схемами (ASic), що можуть досягти до 1000 разів більшої ефективності та швидкості в розробці та розгортанні моделей для певних робочих навантажень ШІ (наприклад, виявлення об'єктів, класифікація зображень та рекомендаційні тести). Використання спеціалізованого апаратного забезпечення ШІ скорочує час обчислення моделі з днів до хвилин і в багатьох випадках виявилося революційним.
Потужне обладнання штучного інтелекту доступне одразу за моделлю оплати за використання.
Надмасштабні підприємства постійно модернізують свої сервери, щоб зробити обчислювальні ресурси доступними в хмарі, аби кінцеві користувачі могли впроваджувати промислові програми штучного інтелекту. Наприклад, у листопаді 2021 року AWS оголосила про офіційний випуск своїх останніх екземплярів на базі графічних процесорів, Amazon EC2 G5, що працюють на базі графічного процесора NVIDIA A10G Tensor Core, для різноманітних програм машинного навчання, включаючи комп'ютерний зір та механізми рекомендацій. Наприклад, постачальник систем виявлення Nanotronics використовує приклади Amazon EC2 свого рішення для контролю якості на основі штучного інтелекту, щоб пришвидшити обробку та досягти більш точних показників виявлення у виробництві мікрочіпів та нанотрубок.
Висновок та перспектива
Штучний інтелект (ШІ) виходить з заводу і буде повсюдно використовуватися в нових додатках, таких як PdM на основі ШІ, а також як удосконалення існуючого програмного забезпечення та варіантів використання. Великі підприємства впроваджують кілька варіантів використання ШІ та повідомляють про успіх, і більшість проектів мають високу рентабельність інвестицій. Загалом, зростання хмарних технологій, платформ Інтернету речей та потужних чіпів ШІ забезпечує платформу для нового покоління програмного забезпечення та оптимізації.
Час публікації: 12 січня 2022 р.